企業通過使用分布式混合云架構部署人工智能，越來越多地獲得競爭優勢。

這是由兩個因素驅動的：首先，邊緣生成的數據比以往任何時候都多。事實上，據預測，到2025年，50%的企業生成數據將在傳統數據中心或云計算之外進行處理。最近的一項全球調查發現，78%的IT決策者認為，將IT基礎設施轉移到數字邊緣是其業務經得起未來考驗的優先事項。

其次，將大量數據轉移到集中位置的人工智能訓練基礎設施引擎進行處理，意味著企業將花費寶貴的時間和費用。除此之外，合規和隱私法規通常要求將人工智能數據處理和分析保留在原籍國，這進一步證明了在多個國家分配工作負載的合理性。

讓我們深入探討三個不同的行業用例，分布式人工智能正在幫助企業節省成本、滿足監管需求并實現新的技術進步。

在降低成本的同時獲得實時零售洞察

許多大型零售商正在通過利用分布式數字基礎設施戰略尋找競爭優勢。他們正在使用IDC最近確定的一種越來越流行的人工智能部署策略：在核心開發人工智能，如在云或區域數據中心，并在邊緣部署人工智能推理模型，然后用新的區域數據重新訓練模型以適應應用。

例如，使用分布式混合云模型的零售商，可能首先將其店內攝像頭信息和庫存管理數據，發送到托管大都市數據中心，以建立區域人工智能模型，并利用聯合人工智能方法來整合區域模型。

然后，它將這些優化的人工智能模型部署到門店，以執行低/預測延遲人工智能模型推理，從而深入了解庫存、員工輪班管理、購物者購買趨勢預測和廣告投放建議。

從一個大都市數據中心部署人工智能推理引擎，比在每個零售地點維護和服務這些服務器更具成本效益。這種分布式人工智能基礎設施，使零售商能夠在一個區域快速處理和分析洞察，最終提高他們的利潤。

維護視頻監控中的隱私和合規性

據聯合國貿發會議稱，世界上大多數(71%)國家/地區都制定了有關隱私和數據保護的立法。分布式數據管理和人工智能架構可以在幫助企業確保合規性方面發揮關鍵作用。

例如，一家在全球多個都市區設有站點的大型房地產管理企業，可以為其全球數百個安全攝像頭利用分布式AI架構，通過在數據收集地部署人工智能來保持對當地隱私法規的合規性。

在企業經營所在的不同國家/地區擁有集中式設施，確保企業不會將數據發送到另一個可能與數據來源國不具有相同合規法規的國家/地區，從而違反當地隱私法。

除了實現隱私和數據使用合規性之外，該模型還通過將人工智能推理堆棧托管在單個地鐵位置，而不是每個設施來降低成本，即使它在數百個位置中的每個位置都現場處理運動檢測數據。

通過區域更新實現自動駕駛

如果沒有人工智能基礎設施，由高級駕駛輔助系統(ADAS)啟用的自動駕駛汽車無法解決某些用例。ADAS要求人工智能決定車輛應如何與周圍環境互動，尤其是在與自行車和行人等弱勢道路使用者互動時。

測試車輛為訓練人工智能模型而生成的數據量是巨大的，對于2級和3級ADAS(車輛可以根據環境調整速度、剎車和做出決策)，每輛車每天產生的數據量在20TB到60TB之間。人工智能使聯網車輛能夠比使用傳統基礎設施更快、更具成本效益地從測試車隊中收集和處理這些大型數據集。

分布式人工智能基礎設施正在定義下一代車輛的機動性和自主性。例如，聯網車輛利用高清地圖為汽車提供有關標牌和街道的信息。

但是，當施工區或道路危險在一夜之間出現時會發生什么?分布式人工智能基礎設施不需要每輛車單獨處理道路危險，而是允許將這些危險發送到一個區域位置，然后將危險傳達給該地區的所有車輛。

順應數據流

沒有什么比人工智能更能感受到數據的引力了。為了充分利用其人工智能基礎設施，企業需要評估集中、區域或本地部署這些基礎設施的價值。這樣做將節省時間、金錢和寶貴的延遲速度。